Системы искусственного интеллекта (курс лекций, Д.В.Михайлов)

Материал из MachineLearning.

Версия 15:58, 24 апреля 2019 (править) Dmitry.Mikhaylov (Обсуждение | вклад) (→Инструментальные средства и библиотеки) ← К предыдущему изменению		Версия 16:08, 24 апреля 2019 (править) (отменить) Dmitry.Mikhaylov (Обсуждение | вклад) (→Инструментальные средства и библиотеки) К следующему изменению →
Строка 78:		Строка 78:
	* [https://pymorphy2.readthedocs.org/en/latest/ Морфологический анализатор pymorphy2].		* [https://pymorphy2.readthedocs.org/en/latest/ Морфологический анализатор pymorphy2].
		+
		+	* [https://github.com/tensorflow/models/tree//master/research/syntaxnet SyntaxNet: Neural Models of Syntax].
	* [http://mathling.phil.spbu.ru/node/160 Лингвистический комплекс NLTK4RUSSIAN].		* [http://mathling.phil.spbu.ru/node/160 Лингвистический комплекс NLTK4RUSSIAN].

---

Версия 16:08, 24 апреля 2019

Дисциплина «Системы искусственного интеллекта» для специальности 230105 важную роль в подготовке студентов к самостоятельной профессиональной деятельности в области интеллектуальных информационных технологий. Дисциплина «Системы искусственного интеллекта» для специальности 230105 относится к числу дисциплин специализации и читается в 9-м семестре. Она включает в себя рассмотрение основных вопросов современной теории и практики построения интеллектуальных систем (в первую очередь) символьной обработки и опирается на учебные курсы :«Дискретная математика», «Функциональное и логическое программирование», «Объектно-ориентированное программирование», «Базы данных», «Теория вычислительных процессов и структур», «Компьютерное моделирование», «Распознавание образов и обработка изображений» и «Человеко-машинное взаимодействие». Особое внимание уделяется моделированию языкового поведения человека при работе с базами знаний интеллектуальных информационно-поисковых систем.

Включение данной дисциплины в учебный план заключительного учебного семестра перед преддипломной практикой и дипломным проектированием дает возможность студенту более четко сформулировать задачу на дипломное проектирование с точки зрения перспективных направлений интеллектуальных технологий компьютерной обработки информации.

Автор — Дмитрий Владимирович Михайлов, доцент кафедры Информационных технологий и систем Новгородского государственного университета им. Ярослава Мудрого.

Научный консультант — д.т.н., профессор Емельянов Геннадий Мартинович

Содержание 1 Содержание лекционных занятий 2 Дополнительные разделы по обработке и анализу текстов 3 Содержание лабораторных занятий 4 Дополнительные темы работ по моделям представления знаний 5 Демо 6 Инструментальные средства и библиотеки 7 Базы данных 8 Полезные ссылки 9 Для самоконтроля

Содержание лекционных занятий

• Искусственный интеллект как научная область

• Представление задач в пространстве состояний

• Методы поиска в пространстве состояний

• Сведение задачи к совокупности подзадач

• Методы поиска при сведении задач к совокупности подзадач

• Представление знаний в интеллектуальных системах

• Представление знаний правилами и логический вывод

• Представление знаний фреймами

• Интерфейс на естественном языке

• Лингвистические информационные ресурсы и их использование в задачах обработки естественного языка : семантические отношения в лексических базах данных.

• О некоторых практических аспектах описания лексического значения слова в компьютерном словаре.

Дополнительные разделы по обработке и анализу текстов

• Синтаксический анализ текстов естественного языка: симбиоз формально-грамматических и вероятностных методов.

• Семантические сети и анализ связного текста.

Содержание лабораторных занятий

• Изучение методов перебора и критериев оценки методов перебора на произвольных графах.

• Поисковая система на основе фреймовой модели представления знаний.

• Интерфейс на естественном языке к базе знаний интеллектуальной системы.

Дополнительные темы работ по моделям представления знаний

• Продукционная модель представления знаний.

• Представление знаний на основе семантической сети.

Демо

• Отбор фраз текстового корпуса, максимально релевантных исходной:
  • на основе TF-IDF её слов;
  • с привлечением базы синтаксических правил на основе численной оценки силы связи слов исходной фразы;
  • анализом n-грамм на найденных синтаксических связях слов исходной фразы.

• Та же задача для случая более чем одной исходной фразы и оценки силы связи слов без синтаксических правил на основе классификации по TF-IDF, в том числе:
  • вариант с факультативным учётом предлогов, союзов и междометий при выделении связей слов, а также оценкой (на основе найденных n-грамм) релевантности текстового корпуса ситуации языкового употребления, задаваемой исходными фразами;
  • вариант с оценкой близости исходных фраз смысловому эталону.

• Отбор научных статей по степени близости смысловому эталону заголовка и фраз аннотации (реализация на Python 2.7).

Инструментальные средства и библиотеки

• Библиотека русской морфологии.

• Apache OpenNLP — интегрированный пакет инструментов обработки текста. См. также описание пакета на NLPub.

• Apache PDFBox — A Java PDF Library.

• PDFMiner — Python PDF parser and analyzer.

• Natural Language Toolkit — NLTK homepage.

• Морфологический анализатор pymorphy2.

• SyntaxNet: Neural Models of Syntax.

• Лингвистический комплекс NLTK4RUSSIAN.

Базы данных

• Leipzig Corpora Collection Download Page.

Полезные ссылки

• Основы обработки текстов — спецкурс для студентов ВМК МГУ и ФКН ВШЭ. Лектор — канд. физ.-мат. наук Турдаков Денис Юрьевич.

• Китов В.В. Математические методы анализа текстов — обязательный спецкурс для магистров кафедры математических методов прогнозирования ВМК МГУ.

• Проект АОТ.

• WordNet: A Lexical Database for English. См. также Русский Wordnet.

• Проект RussNet.

• Лингвистическая онтология «Тезаурус РуТез».

• Serelex: Поиск семантически связанных слов.

• Национальный корпус русского языка.

• Google Books Ngram Viewer.

• Кузнецов С.О. Решетки формальных понятий в современных методах анализа данных и знаний.

Для самоконтроля

Примерный список вопросов к экзамену.